一个基于CT的深度学习放射学诺米克图 (deep learning radiomics nomogram) 优于现有的预后模型来预测清细胞细胞癌的结果:一项多中心研究

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是一门学科.
• 人工智能的人工智能

背景情况:

• 清细胞细胞癌 (ccRCC) 的预后依赖于复杂的分期系统.
• 像SSIGN,UISS,MSKCC和IMDC这样的现有模型在准确预测患者结果方面存在局限性.
• 在ccRCC管理中需要更精确的预测工具.

研究的目的:

• 开发和验证基于CT的深度学习放射学名图 (DLRN) 以预测局部ccRCC的无复发生存率 (RFS) 和转移ccRCC的总生存率 (OS).
• 为了比较DLRN的预测性能与已建立的预测得分 (SSIGN,UISS,MSKCC,IMDC).

主要方法:

• 一项多中心研究涉及799名ccRCC患者 (558名培训,241名测试) 针对局部ccRCC和45名转移ccRCC患者.
• 开发两个DLRN:一个用于局部ccRCC中的RFS,另一个用于转移ccRCC中的OS.
• 使用卡普兰-梅尔曲线,曲线下的时间依赖面积 (时间-AUC),哈雷尔一致性指数 (C指数) 和决策曲线分析 (DCA) 的性能评估.

主要成果:

• 在测试队列中,DLRN在预测局部ccRCC的RFS方面表现优于SSIGN和UISS,由更高的时间AUC和C指数证明.
• 对于转移性ccRCC,DLRN与MSKCC和IMDC相比显示出更好的OS预测,时间AUC值更高.
• 在不同的时间点中,DLRN实现了显著更好的预测准确性和净收益.

结论:

• 基于CT的DLRN是一种非常准确的工具,用于预测ccRCC患者的结果.
• DLRN显著优于传统的预后模型,包括SSIGN,UISS,MSKCC和IMDC.
• 这种先进的名录图具有指导ccRCC个性化治疗策略,监测协议和辅助性临床试验设计的潜力.